批量研究不同股票时，如何统一计算起止日期？

关注

原创 2026-11-05 07:13:54 187 阅读 AI 写同款· GEO 优化 ›

QMT本地行情数据实战：如何高效批量获取多只股票的历史K线并整合成分析面板？本文详细介绍了如何利用QMT的`get_local_data`函数高效批量获取多只股票的历史K线数据，并通过Python和Pandas整合成分析面板。文章涵盖了数据获取的核心机制、高性能批量处理方案、数据清洗与重塑技巧，以及构建交互式分析面板的实战方法，帮助量化研究者提升工作效率。阅读详情

一句话回答

在批量量化研究中，统一不同股票的计算起止日期，不能只给所有股票设置相同的查询时间，还需要根据实际返回的交易日期进行二次对齐。比较稳妥的方式是先确定研究窗口，再获取各股票的历史 K 线，最后提取共同有效交易日。使用 QuantDash Python SDK 可以统一获取指定时间范围内的行情，日期交集计算、缺失检查和样本筛选则由 Python 研究代码完成。

为什么会有这个问题 / 传统做法有什么问题？

批量计算股票因子时，经常遇到一个容易被忽略的问题：明明给所有股票设置了相同的开始日期和结束日期，最后参与计算的数据却不在同一个时间范围内。

假设我们需要研究两只股票：

股票 A：研究区间内每天都有有效行情。
股票 B：研究区间内存在停牌日期，或者某些日期的数据没有成功获取。

如果直接按各自数据的第一行和最后一行计算区间收益，就可能出现：

股票 A 使用 20 个有效收盘价，股票 B 只有 17 个。

这时，即使两只股票的查询时间相同，实际价格观测区间仍然可能不同。

对于区间价格收益率，常用公式为：

[
R_i=\frac{P_{i,T}}{P_{i,0}}-1
]

其中，(P_{i,0}) 和 (P_{i,T}) 分别代表股票 (i) 在计算起点与终点的收盘价。

如果两只股票的实际起止日期不同，得到的收益率就不能直接视为相同观察区间内的结果。

传统做法通常有两个问题。

第一，直接使用 count 参数获取最近 N 根 K 线。虽然每只股票都返回相同数量的记录，但停牌、上市时间和数据缺失可能导致这些记录对应不同的日历区间。

第二，简单截取某个日期范围，然后直接计算指标。这种方式没有验证每只股票是否真的拥有相同的有效日期。

对于横截面选股、因子排名和批量收益比较，更合理的处理方式是建立统一研究日历。

分步骤解决：使用 QuantDash 进行实践

第 1 步：安装 SDK 并初始化客户端

首先安装 QuantDash Python SDK：

# 在终端执行
# pip install quantdash

示例还需要 pandas，实际环境中应确认已经安装。

API Key 不建议直接写入代码，应通过环境变量读取。

import os
import pandas as pd
from quantdash import QuantDash

api_key = os.getenv("QUANTDASH_API_KEY")

if not api_key:
    raise RuntimeError(
        "请先设置 QUANTDASH_API_KEY 环境变量"
    )

qd = QuantDash(api_key=api_key)

后面的代码默认继续使用这里初始化的 qd 客户端。

第 2 步：批量获取指定时间范围的 K 线

这里选择两只 A 股作为示例标的：

600519.SH
000001.SZ

为了保证查询时间的一致性，使用 start_time 和 end_time 明确指定研究窗口。

from datetime import datetime
from zoneinfo import ZoneInfo

symbols = ["600519.SH", "000001.SZ"]

tz = ZoneInfo("Asia/Shanghai")

start_time = int(
    datetime(2026, 5, 1, tzinfo=tz).timestamp() * 1000
)

end_time = int(
    datetime(2026, 6, 1, tzinfo=tz).timestamp() * 1000
) - 1

try:
    raw_data = qd.klines.batch(
        symbols,
        period="1d",
        start_time=start_time,
        end_time=end_time,
        adjust="forward",
        to_dataframe=True,
        show_progress=True,
    )
except Exception as exc:
    raise RuntimeError(
        "批量获取历史行情失败"
    ) from exc

if not isinstance(raw_data, dict) or not raw_data:
    raise ValueError("批量行情返回为空或结构异常")

这里有几个关键参数：

period=“1d”：获取日 K 线。
start_time：查询起始时间，使用毫秒时间戳。
end_time：查询结束时间。
adjust=“forward”：使用前复权比例调整价格。
to_dataframe=True：以 DataFrame 形式获取单只股票的数据。

根据 SDK 文档，批量查询的返回结果可按股票代码访问对应的 DataFrame。实际开发仍需检查批量结果是否包含所有请求标的。

日期参数限定查询窗口，但不保证每个标的都拥有窗口内全部交易日。

第 3 步：提取共同有效交易日

对于日 K 线，当前 SDK 文档示例使用 trade_date 表示交易日期。

下面先标准化日期和收盘价字段，再计算不同股票的交易日期交集。

cleaned_data = {}
date_sets = []

for symbol in symbols:
    if symbol not in raw_data:
        raise ValueError(f"{symbol} 未返回行情")

    df = raw_data[symbol]

    if not isinstance(df, pd.DataFrame) or df.empty:
        raise ValueError(f"{symbol} 行情为空")

    required = {"trade_date", "close"}

    if not required.issubset(df.columns):
        raise ValueError(
            f"{symbol} 缺少字段: "
            f"{required - set(df.columns)}"
        )

    df = df.copy()

    df["trade_date"] = pd.to_datetime(
        df["trade_date"], errors="coerce"
    ).dt.normalize()

    df["close"] = pd.to_numeric(
        df["close"], errors="coerce"
    )

    df = df.dropna(subset=["trade_date", "close"])

    df = df[df["close"] > 0]

    if df["trade_date"].duplicated().any():
        raise ValueError(f"{symbol} 存在重复交易日期")

    df = df.sort_values("trade_date")

    if df.empty:
        raise ValueError(f"{symbol} 没有有效行情")

    cleaned_data[symbol] = df

    date_sets.append(set(df["trade_date"]))

common_dates = sorted(
    set.intersection(*date_sets)
)

if len(common_dates) < 2:
    raise ValueError("共同交易日不足，无法计算区间收益")

print("共同计算起点:", common_dates[0].date())
print("共同计算终点:", common_dates[-1].date())
print("共同有效交易日数:", len(common_dates))

这里的核心是 set.intersection()。

只有所有股票均包含的有效交易日期，才会进入共同日期集合。

与简单比较最早日期和最晚日期不同，这种方法还能排除研究区间内部不一致的交易日。

需要注意，当前实现采用严格交集规则。它能够保证样本在日期上可比，但可能显著减少参与计算的日期数量。

第 4 步：在共同日期上计算区间收益

有了统一的日期集合，就可以进一步构建收盘价矩阵。

price_series = []

for symbol, df in cleaned_data.items():
    aligned = df[
        df["trade_date"].isin(common_dates)
    ].copy()

    series = aligned.set_index(
        "trade_date"
    )["close"]

    series.name = symbol

    price_series.append(series)

price_matrix = pd.concat(
    price_series, axis=1
).sort_index()

price_matrix = price_matrix.reindex(common_dates)

if price_matrix.isna().any().any():
    raise ValueError("对齐后仍存在缺失价格")

start_prices = price_matrix.iloc[0]
end_prices = price_matrix.iloc[-1]

if (start_prices <= 0).any():
    raise ValueError("计算起点存在非正价格")

returns = end_prices.div(start_prices) - 1

result = pd.DataFrame({
    "symbol": returns.index,
    "start_date": price_matrix.index[0].date(),
    "end_date": price_matrix.index[-1].date(),
    "price_return": returns.values,
})

print(result.to_string(index=False))